Despliegue de los resultados Barranquilla

In [1]:
# Importar paquetes
import matplotlib.pyplot as plt
import datetime
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from fbprophet import Prophet
import warnings
warnings.filterwarnings('ignore')
import seaborn as sns
!pip install plotly
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import datetime as dt
from datetime import timedelta
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score,silhouette_samples
from sklearn.linear_model import LinearRegression,Ridge,Lasso
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error,r2_score
from sklearn.preprocessing import PolynomialFeatures
import statsmodels.api as sm
from statsmodels.tsa.api import Holt,SimpleExpSmoothing,ExponentialSmoothing
from statsmodels.tsa.stattools import adfuller
std=StandardScaler()
from pmdarima.arima import auto_arima
pd.set_option('display.float_format', lambda x: '%.6f' % x)
Requirement already satisfied: plotly in c:\users\itco10096\.conda\envs\apc\lib\site-packages (4.9.0)
Requirement already satisfied: retrying>=1.3.3 in c:\users\itco10096\.conda\envs\apc\lib\site-packages (from plotly) (1.3.3)
Requirement already satisfied: six in c:\users\itco10096\.conda\envs\apc\lib\site-packages (from plotly) (1.15.0)
In [2]:
dfCovid = pd.read_csv('https://www.datos.gov.co/api/views/gt2j-8ykr/rows.csv')
In [3]:
dfCovid.head(10)
Out[3]:
ID de caso Fecha de notificación Código DIVIPOLA Ciudad de ubicación Departamento o Distrito atención Edad Sexo Tipo Estado ... FIS Fecha de muerte Fecha diagnostico Fecha recuperado fecha reporte web Tipo recuperación Codigo departamento Codigo pais Pertenencia etnica Nombre grupo etnico
0 1 2020-03-02T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 19 F Importado Leve ... 2020-02-27T00:00:00.000 NaN 2020-03-06T00:00:00.000 2020-03-13T00:00:00.000 2020-03-06T00:00:00.000 PCR 11 380.000000 Otro NaN
1 2 2020-03-06T00:00:00.000 76111 Guadalajara de Buga Valle del Cauca Recuperado 34 M Importado Leve ... 2020-03-04T00:00:00.000 NaN 2020-03-09T00:00:00.000 2020-03-19T00:00:00.000 2020-03-09T00:00:00.000 PCR 76 724.000000 Otro NaN
2 3 2020-03-07T00:00:00.000 5001 Medellín Antioquia Recuperado 50 F Importado Leve ... 2020-02-29T00:00:00.000 NaN 2020-03-09T00:00:00.000 2020-03-15T00:00:00.000 2020-03-09T00:00:00.000 PCR 5 724.000000 Otro NaN
3 4 2020-03-09T00:00:00.000 5001 Medellín Antioquia Recuperado 55 M Relacionado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-26T00:00:00.000 2020-03-11T00:00:00.000 PCR 5 nan Otro NaN
4 5 2020-03-09T00:00:00.000 5001 Medellín Antioquia Recuperado 25 M Relacionado Leve ... 2020-03-08T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-23T00:00:00.000 2020-03-11T00:00:00.000 PCR 5 nan Otro NaN
5 6 2020-03-10T00:00:00.000 5360 Itagüí Antioquia Recuperado 27 F Relacionado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-26T00:00:00.000 2020-03-11T00:00:00.000 PCR 5 nan Otro NaN
6 7 2020-03-08T00:00:00.000 13001 Cartagena de Indias Cartagena D.T. y C. Recuperado 85 F Importado Leve ... 2020-03-02T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-17T00:00:00.000 2020-03-11T00:00:00.000 PCR 13 840.000000 Otro NaN
7 8 2020-03-09T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 22 F Importado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-21T00:00:00.000 2020-03-11T00:00:00.000 PCR 11 724.000000 Otro NaN
8 9 2020-03-08T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 28 F Importado Leve ... 2020-03-07T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-23T00:00:00.000 2020-03-11T00:00:00.000 PCR 11 724.000000 Otro NaN
9 10 2020-03-12T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 36 F Importado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-12T00:00:00.000 2020-03-21T00:00:00.000 2020-03-12T00:00:00.000 PCR 11 724.000000 Otro NaN

10 rows × 21 columns

In [4]:
# Modificar el tipo de datos para las variables de fechas.
dfCovid['Fecha de notificación']= pd.to_datetime(dfCovid['Fecha de notificación'])
dfCovid[ 'Fecha de muerte']= pd.to_datetime(dfCovid['Fecha de muerte'])
dfCovid['Fecha diagnostico']= pd.to_datetime(dfCovid['Fecha diagnostico'])
dfCovid['Fecha recuperado']= pd.to_datetime(dfCovid['Fecha recuperado'])
dfCovid['fecha reporte web']= pd.to_datetime(dfCovid['fecha reporte web'])
In [5]:
# Limpieza de los resultados para el atributo atención.
dfCovid['atención'].unique()
dfCovid['atención']= dfCovid['atención'].replace({'CASA':'Casa'})
dfCovid['atención']= dfCovid['atención'].fillna('No especifica')
In [6]:
fechas= sorted(pd.concat([dfCovid['Fecha de notificación'],dfCovid['Fecha diagnostico'],dfCovid['Fecha de muerte'],dfCovid['Fecha recuperado'],dfCovid['fecha reporte web']]).unique())
fechas=np.arange(min(fechas),max(fechas),np.timedelta64(86400000000000,'ns'))
dfCovid_Nuevo=pd.DataFrame({'Fecha':fechas})
dfCovid_Nuevo['Muertos']=np.zeros(len(dfCovid_Nuevo))
dfCovid_Nuevo['Confirmados']=np.zeros(len(dfCovid_Nuevo))
dfCovid_Nuevo['Recuperados']=np.zeros(len(dfCovid_Nuevo))
dfCovid_Nuevo
Out[6]:
Fecha Muertos Confirmados Recuperados
0 2020-03-02 0.000000 0.000000 0.000000
1 2020-03-03 0.000000 0.000000 0.000000
2 2020-03-04 0.000000 0.000000 0.000000
3 2020-03-05 0.000000 0.000000 0.000000
4 2020-03-06 0.000000 0.000000 0.000000
... ... ... ... ...
182 2020-08-31 0.000000 0.000000 0.000000
183 2020-09-01 0.000000 0.000000 0.000000
184 2020-09-02 0.000000 0.000000 0.000000
185 2020-09-03 0.000000 0.000000 0.000000
186 2020-09-04 0.000000 0.000000 0.000000

187 rows × 4 columns

BARRANQUILLA

In [7]:
# Se filtra por la ciudad de interés
nombre='Barranquilla'
x=dfCovid[dfCovid['Ciudad de ubicación']==nombre].sort_values(by='Fecha de muerte',ascending=False)
x=x[['ID de caso','atención','fecha reporte web','Fecha de muerte','Fecha de notificación','Fecha diagnostico','Fecha recuperado']]
x
Out[7]:
ID de caso atención fecha reporte web Fecha de muerte Fecha de notificación Fecha diagnostico Fecha recuperado
285297 285338 Recuperado 2020-07-30 2020-09-04 2020-07-19 2020-07-27 2020-09-05
84654 84695 Recuperado 2020-06-27 2020-09-02 2020-06-23 2020-06-26 2020-07-24
259396 259437 Recuperado 2020-07-28 2020-09-02 2020-07-23 2020-07-27 2020-08-03
562306 562347 Fallecido 2020-08-26 2020-09-02 2020-08-14 2020-08-25 NaT
550504 550545 Fallecido 2020-08-24 2020-09-02 2020-08-11 2020-08-22 NaT
... ... ... ... ... ... ... ...
658257 658298 Casa 2020-09-05 NaT 2020-08-24 2020-09-04 NaT
658260 658301 Casa 2020-09-05 NaT 2020-08-24 2020-09-04 NaT
658404 658445 Casa 2020-09-05 NaT 2020-08-22 2020-09-02 NaT
658405 658446 Casa 2020-09-05 NaT 2020-08-22 2020-09-02 NaT
658408 658449 Casa 2020-09-05 NaT 2020-08-22 2020-09-02 NaT

36611 rows × 7 columns

In [8]:
# Se construye el Data Set Covid-19

#Conteo de muertos
m=x[x['atención']=='Fallecido'].groupby('Fecha de muerte').count()
m=pd.DataFrame({'Fecha':m.index.values,'Muertos':[n for n in m.values[:,0]]})

#Conteo de Confirmados
c=x.groupby('Fecha de notificación').count()
c=pd.DataFrame({'Fecha':c.index.values,'Confirmados':[n for n in c.values[:,0]]})

#Conteo Recuperados
r=x.groupby('Fecha recuperado').count()
r=pd.DataFrame({'Fecha':r.index.values,'Recuperados':[n for n in r.values[:,0]]})

df_Nuevo=pd.concat([dfCovid_Nuevo,c,m,r])
df_Nuevo.sort_values(by='Fecha',ascending=True)
df_Nuevo=df_Nuevo.groupby('Fecha').sum().sort_values(by='Fecha',ascending=True)

def acum(df,Col):
  m=df[Col].values
  d=0
  L=[]
  for n in m:
    d=d+n
    L.append(d)
  return L

df_Nuevo['Acum_muertos']=acum(df_Nuevo,'Muertos')
df_Nuevo['Acum_confirmados']=acum(df_Nuevo,'Confirmados')
df_Nuevo['Acum_Recuperados']=acum(df_Nuevo,'Recuperados')
df_Nuevo['Acum_Activos']=df_Nuevo['Acum_confirmados']-df_Nuevo['Acum_Recuperados']-df_Nuevo['Acum_muertos']
df_Nuevo
Out[8]:
Muertos Confirmados Recuperados Acum_muertos Acum_confirmados Acum_Recuperados Acum_Activos
Fecha
2020-03-02 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2020-03-03 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2020-03-04 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2020-03-05 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2020-03-06 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
... ... ... ... ... ... ... ...
2020-09-01 5.000000 25.000000 134.000000 1624.000000 36560.000000 32963.000000 1973.000000
2020-09-02 2.000000 24.000000 132.000000 1626.000000 36584.000000 33095.000000 1863.000000
2020-09-03 0.000000 14.000000 189.000000 1626.000000 36598.000000 33284.000000 1688.000000
2020-09-04 0.000000 13.000000 133.000000 1626.000000 36611.000000 33417.000000 1568.000000
2020-09-05 0.000000 0.000000 239.000000 1626.000000 36611.000000 33656.000000 1329.000000

188 rows × 7 columns

ANÁLISIS EXPLORATORIO DE DATOS

In [9]:
print("Estructura del dataset: ",df_Nuevo.shape)
print("Variables con valores nulos",df_Nuevo.isnull().sum())
print("Tipo de variables del dataset",df_Nuevo.dtypes)
Estructura del dataset:  (188, 7)
Variables con valores nulos Muertos             0
Confirmados         0
Recuperados         0
Acum_muertos        0
Acum_confirmados    0
Acum_Recuperados    0
Acum_Activos        0
dtype: int64
Tipo de variables del dataset Muertos             float64
Confirmados         float64
Recuperados         float64
Acum_muertos        float64
Acum_confirmados    float64
Acum_Recuperados    float64
Acum_Activos        float64
dtype: object
In [10]:
print("Información Básica")
df_Nuevo.iloc(0)[-1]
Información Básica
Out[10]:
Muertos                0.000000
Confirmados            0.000000
Recuperados          239.000000
Acum_muertos        1626.000000
Acum_confirmados   36611.000000
Acum_Recuperados   33656.000000
Acum_Activos        1329.000000
Name: 2020-09-05 00:00:00, dtype: float64
In [11]:
fig=px.bar(x=df_Nuevo.index,y=df_Nuevo["Acum_Activos"])
fig.update_layout(title="Distribución del número de casos activos en Barranquilla ",
                  xaxis_title="Fecha",yaxis_title="Número de casos en Barranquilla",)
fig.show()
In [12]:
fig=px.bar(x=df_Nuevo.index,y=df_Nuevo["Acum_Recuperados"]+df_Nuevo["Acum_muertos"])
fig.update_layout(title="Distribución del número de casos cerrados en Barranquilla",
                  xaxis_title="Fecha",yaxis_title="Número de casos en Barranquilla")
fig.show()
In [13]:
df_Nuevo["WeekOfYear"]=df_Nuevo.index.weekofyear

week_num=[]
weekwise_confirmed=[]
weekwise_recovered=[]
weekwise_deaths=[]
weekwise_active=[]
w=1
for i in list(df_Nuevo["WeekOfYear"].unique()):
    weekwise_confirmed.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_confirmados"].iloc[-1])
    weekwise_recovered.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_Recuperados"].iloc[-1])
    weekwise_deaths.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_muertos"].iloc[-1])
    weekwise_active.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_Activos"].iloc[-1])
    week_num.append(w)
    w=w+1

fig=go.Figure()
fig.add_trace(go.Scatter(x=week_num, y=weekwise_confirmed,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos confirmados'))
fig.add_trace(go.Scatter(x=week_num, y=weekwise_recovered,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos recuperados'))
fig.add_trace(go.Scatter(x=week_num, y=weekwise_deaths,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos de muerte'))
fig.add_trace(go.Scatter(x=week_num, y=weekwise_active,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos Activos'))
fig.update_layout(title="Crecimiento semanal de diferentes tipos de casos en Barranquilla",
                 xaxis_title="Número de semanas",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [14]:
fig, (ax1,ax2) = plt.subplots(1, 2,figsize=(15,5))
sns.barplot(x=week_num,y=pd.Series(weekwise_confirmed).diff().fillna(0),ax=ax1)
sns.barplot(x=week_num,y=pd.Series(weekwise_deaths).diff().fillna(0),ax=ax2)
ax1.set_xlabel("Número de semanas")
ax2.set_xlabel("Número de semanas")
ax1.set_ylabel("Número de casos confirmados")
ax2.set_ylabel("Número de casos de fallecidos")
ax1.set_title("Aumento semanal del número de casos confirmados en Barranquilla")
ax2.set_title("Aumento semanal del número de casos de muerte en Barranquilla")
Out[14]:
Text(0.5, 1.0, 'Aumento semanal del número de casos de muerte en Barranquilla')

Tasa de crecimiento de los casos confirmados, recuperados y de muerte

In [15]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"],
                    mode='lines+markers',
                    name='Casos confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"],
                    mode='lines+markers',
                    name='Casos Recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"],
                    mode='lines+markers',
                    name='Casos de muertes'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Activos"],
                    mode='lines+markers',
                    name='Casos Activos'))
fig.update_layout(title="Crecimiento de los diferentes tipos de casos en Barranquilla",
                 xaxis_title="Fecha",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()

Análisis de la tasa de moralidad y recuperación

In [16]:
df_Nuevo["Tasa de mortalidad"]=(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_confirmados"])*100
df_Nuevo["Tasa de Recuperacion"]=(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_confirmados"])*100
df_Nuevo["Casos Cerrados"]=df_Nuevo["Acum_Recuperados"]+df_Nuevo["Acum_muertos"]

print("Tasa de mortalidad media",df_Nuevo["Tasa de mortalidad"].mean())
print("Tasa de mortalidad media",df_Nuevo["Tasa de mortalidad"].median())
print("Promedio de la tasa de recuperación",df_Nuevo["Tasa de Recuperacion"].mean())
print("Tasa de recuperación media",df_Nuevo["Tasa de Recuperacion"].median())

#Plotting Mortality and Recovery Rate 
fig = make_subplots(rows=2, cols=1,
                   subplot_titles=("Tasa de Recuperacion", "Tasa de mortalidad"))
fig.add_trace(
    go.Scatter(x=df_Nuevo.index, y=(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_confirmados"])*100,name="Tasa de Recuperacion"),
    row=1, col=1
)
fig.add_trace(
    go.Scatter(x=df_Nuevo.index, y=(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_confirmados"])*100,name="Tasa de mortalidad"),
    row=2, col=1
)
fig.update_layout(height=1000,legend=dict(x=-0.1,y=1.2,traceorder="normal"))
fig.update_xaxes(title_text="Fecha", row=1, col=1)
fig.update_yaxes(title_text="Tasa de Recuperacion en Barranquilla", row=1, col=1)
fig.update_xaxes(title_text="Fecha", row=1, col=2)
fig.update_yaxes(title_text="Tasa de mortalidad en Barranquilla", row=1, col=2)
fig.show()
Tasa de mortalidad media 3.491975974585152
Tasa de mortalidad media 4.296805045691835
Promedio de la tasa de recuperación 33.10866401154274
Tasa de recuperación media 23.6564612549368
In [17]:
print("Aumento medio del número de casos confirmados cada día en Barranquilla: ",np.round(df_Nuevo["Acum_confirmados"].diff().fillna(0).mean()))
print("Aumento medio del número de casos recuperados cada día en Barranquilla: ",np.round(df_Nuevo["Acum_Recuperados"].diff().fillna(0).mean()))
print("Aumento promedio del número de casos de muerte cada día en Barranquilla: ",np.round(df_Nuevo["Acum_muertos"].diff().fillna(0).mean()))
print("Aumento promedio del número de casos de activos cada día en Barranquilla: ",np.round(df_Nuevo["Acum_Activos"].diff().fillna(0).mean()))

fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"].diff().fillna(0),mode='lines+markers',
                    name='Casos de confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"].diff().fillna(0),mode='lines+markers',
                    name='Casos de recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"].diff().fillna(0),mode='lines+markers',
                    name='Casos de Muerte'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Activos"].diff().fillna(0),mode='lines+markers',
                    name='Casos Activos'))
fig.update_layout(title="Aumento diario de los diferentes tipos de casos en Barranquilla",
                 xaxis_title="Fecha",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
Aumento medio del número de casos confirmados cada día en Barranquilla:  195.0
Aumento medio del número de casos recuperados cada día en Barranquilla:  179.0
Aumento promedio del número de casos de muerte cada día en Barranquilla:  9.0
Aumento promedio del número de casos de activos cada día en Barranquilla:  7.0
In [18]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Fallecidos'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Activos"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Activos'))
fig.update_layout(title="Media móvil por cada 7 días de los casos confirmados, recuperados y de muerte en Barranquilla",
                 xaxis_title="Fecha",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [19]:
print("Promedio de crecimiento medio del número de casos confirmados en Barranquilla: ",(df_Nuevo["Acum_confirmados"]/df_Nuevo["Acum_confirmados"].shift()).mean())
print("Mediana de crecimiento medio del número de casos confirmados en Barranquilla: ",(df_Nuevo["Acum_confirmados"]/df_Nuevo["Acum_confirmados"].shift()).median())
print("Promedio de crecimiento medio del número de casos recuperados en Barranquilla: ",(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_Recuperados"].shift()).mean())
print("Mediana de crecimiento medio del número de casos recuperados en Barranquilla: ",(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_Recuperados"].shift()).median())
print("Promedio de crecimiento medio del número de casos de muerte en Barranquilla: ",(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_muertos"].shift()).mean())
print("Mediana de crecimiento medio del número de casos de muerte en Barranquilla: ",(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_muertos"].shift()).median())

fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"]/df_Nuevo["Acum_confirmados"].shift(),
                    mode='lines',
                    name='Factor de crecimiento de los casos confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_Recuperados"].shift(),
                    mode='lines',
                    name='Factor de crecimiento de los casos recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_muertos"].shift(),
                    mode='lines',
                    name='Factor de crecimiento de los casos de muerte'))
fig.update_layout(title="Factor de crecimiento en función de la fecha de los diferentes tipos de casos en Barranquilla",
                 xaxis_title="Fecha",yaxis_title="Factor de crecimiento",
                 legend=dict(x=0,y=-0.4,traceorder="normal"))
fig.show()
Promedio de crecimiento medio del número de casos confirmados en Barranquilla:  inf
Mediana de crecimiento medio del número de casos confirmados en Barranquilla:  1.0406794194825375
Promedio de crecimiento medio del número de casos recuperados en Barranquilla:  inf
Mediana de crecimiento medio del número de casos recuperados en Barranquilla:  1.0424559977380363
Promedio de crecimiento medio del número de casos de muerte en Barranquilla:  inf
Mediana de crecimiento medio del número de casos de muerte en Barranquilla:  1.0153727901614142

MODELOS DE PREDICCIÓN BARRANQUILLA

CASOS CONFIRMADOS

Modelo ARIMA (Usando Auto-ARIMA)

In [20]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
model_scores=[]
In [21]:
model_arima= auto_arima(model_train["Acum_confirmados"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_confirmados"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=2146.900, Time=0.04 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=2085.845, Time=0.15 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=2087.766, Time=0.23 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=2088.672, Time=0.33 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=2110.319, Time=0.09 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=2087.782, Time=0.21 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=2089.320, Time=0.45 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=2090.203, Time=0.48 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=2092.262, Time=0.14 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=2088.815, Time=0.28 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=2090.215, Time=0.42 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=2078.732, Time=0.66 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=2091.499, Time=0.18 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=2090.589, Time=0.40 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=2092.209, Time=0.60 sec
Total fit time: 4.684 seconds
Out[21]:
ARIMA(order=(2, 2, 3), scoring_args={}, suppress_warnings=True)
In [22]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [23]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_confirmados"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_confirmados"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  160.26759612412746
In [24]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_confirmados"],
                    mode='lines+markers',name="Datos de entrenamiento para casos confirmados"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_confirmados"],
                    mode='lines+markers',name="Datos de validación para datos confirmados",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos confirmados",))
fig.update_layout(title="Predicción de casos confirmados con el modelo ARIMA de Barranquilla",
                 xaxis_title="Fecha",yaxis_title="Acum_confirmados",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [25]:
new_date=[]
ARIMA_model_new_prediction=[]
for i in range(1,18):
    new_date.append(df_Nuevo.index[-1]+timedelta(days=i))
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Confirmados","Predicción Modelo ARIMA"]).head()
Out[25]:
Confirmados Predicción Modelo ARIMA
0 2020-09-06 36971.996863
1 2020-09-07 37042.671082
2 2020-09-08 37100.431440
3 2020-09-09 37160.798710
4 2020-09-10 37233.387912

Modelo Prophet

In [26]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_confirmados"])),columns=['ds','y'])
In [27]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.
Out[27]:
<fbprophet.forecaster.Prophet at 0x27ac0808608>
In [28]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [29]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [30]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_confirmados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_confirmados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  165.1850654370097
In [31]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [32]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x432)

CASOS FALLECIDOS

Modelo ARIMA (Usando Auto-ARIMA)

In [33]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
In [34]:
model_arima= auto_arima(model_train["Acum_muertos"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_muertos"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=1004.086, Time=0.02 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=953.457, Time=0.07 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=953.871, Time=0.11 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=954.357, Time=0.15 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=964.255, Time=0.06 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=954.251, Time=0.10 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=954.219, Time=0.22 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=956.153, Time=0.20 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=958.956, Time=0.10 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=955.841, Time=0.18 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=956.202, Time=0.24 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=948.528, Time=0.45 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=945.413, Time=0.09 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=943.546, Time=0.29 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=937.935, Time=0.35 sec
Total fit time: 2.653 seconds
Out[34]:
ARIMA(order=(3, 2, 2), scoring_args={}, suppress_warnings=True)
In [35]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [36]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_muertos"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_muertos"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  8.671042151673483
In [37]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_muertos"],
                    mode='lines+markers',name="Datos de entrenamiento para casos fallecidos"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_muertos"],
                    mode='lines+markers',name="Datos de validación para datos fallecidos",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos fallecidos",))
fig.update_layout(title="Predicción de casos fallecidos con el modelo ARIMA de Barranquilla",
                 xaxis_title="Fecha",yaxis_title="Acum_muertos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [38]:
ARIMA_model_new_prediction=[]
for i in range(1,18):
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Fallecidos","Predicción Modelo ARIMA"]).head()
Out[38]:
Fallecidos Predicción Modelo ARIMA
0 2020-09-06 1645.127657
1 2020-09-07 1648.832074
2 2020-09-08 1652.321654
3 2020-09-09 1655.613397
4 2020-09-10 1659.131888

Modelo Prophet

In [39]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_muertos"])),columns=['ds','y'])
In [40]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.
Out[40]:
<fbprophet.forecaster.Prophet at 0x27ac5ac7888>
In [41]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [42]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [43]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_muertos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_muertos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  4.884471845447426
In [44]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [45]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x432)

CASOS RECUPERADOS

Modelo ARIMA (Usando Auto-ARIMA)

In [46]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
In [47]:
model_arima= auto_arima(model_train["Acum_Recuperados"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_Recuperados"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=2303.039, Time=0.02 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=2229.209, Time=0.10 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=2230.856, Time=0.28 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=2229.531, Time=0.33 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=2243.104, Time=0.10 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=2230.717, Time=0.27 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=2230.783, Time=0.37 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=2229.454, Time=0.45 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=2241.524, Time=0.15 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=2230.030, Time=0.36 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=2230.913, Time=0.41 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=2210.219, Time=0.64 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=2236.794, Time=0.20 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=2229.245, Time=0.36 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=2225.896, Time=0.74 sec
Total fit time: 4.788 seconds
Out[47]:
ARIMA(order=(2, 2, 3), scoring_args={}, suppress_warnings=True)
In [48]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [49]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_Recuperados"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_Recuperados"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  688.8666060752223
In [50]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_Recuperados"],
                    mode='lines+markers',name="Datos de entrenamiento para casos recuperados"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_Recuperados"],
                    mode='lines+markers',name="Datos de validación para datos recuperados",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos recuperados",))
fig.update_layout(title="Predicción de casos recuperados con el modelo ARIMA de Barranquilla",
                 xaxis_title="Fecha",yaxis_title="Acum_Recuperados",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [51]:
ARIMA_model_new_prediction=[]
for i in range(1,18):
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Recuperados","Predicción Modelo ARIMA"]).head()
Out[51]:
Recuperados Predicción Modelo ARIMA
0 2020-09-06 35028.427744
1 2020-09-07 35378.079431
2 2020-09-08 35654.888273
3 2020-09-09 35996.505231
4 2020-09-10 36317.779302

Modelo Prophet

In [59]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_Recuperados"])),columns=['ds','y'])
In [60]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.
Out[60]:
<fbprophet.forecaster.Prophet at 0x27ac61f07c8>
In [61]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [62]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [63]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_Recuperados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_Recuperados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  344.85745375647167
In [64]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [65]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x432)

CASOS ACTIVOS

Modelo ARIMA (Usando Auto-ARIMA)

In [66]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
In [67]:
model_arima= auto_arima(model_train["Acum_Activos"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_Activos"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=2326.231, Time=0.02 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=2267.919, Time=0.19 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=2269.864, Time=0.24 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=2271.858, Time=0.33 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=2288.863, Time=0.05 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=2269.863, Time=0.22 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=2269.956, Time=0.49 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=2271.398, Time=0.64 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=2281.074, Time=0.18 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=2271.863, Time=0.40 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=2271.432, Time=0.52 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=2271.062, Time=0.80 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=2277.022, Time=0.25 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=2273.211, Time=0.43 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=2273.092, Time=0.59 sec
Total fit time: 5.372 seconds
Out[67]:
ARIMA(order=(0, 2, 1), scoring_args={}, suppress_warnings=True)
In [68]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [69]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_Activos"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_Activos"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  559.2780486974021
In [70]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_Activos"],
                    mode='lines+markers',name="Datos de entrenamiento para casos activos"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_Activos"],
                    mode='lines+markers',name="Datos de validación para datos activos",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos activos",))
fig.update_layout(title="Predicción de casos activos con el modelo ARIMA de Barranquilla",
                 xaxis_title="Fecha",yaxis_title="Acum_muertos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [71]:
ARIMA_model_new_prediction=[]
for i in range(1,18):
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Activos","Predicción Modelo ARIMA"]).head()
Out[71]:
Activos Predicción Modelo ARIMA
0 2020-09-06 256.798560
1 2020-09-07 2.389750
2 2020-09-08 -253.385233
3 2020-09-09 -510.526391
4 2020-09-10 -769.033723

Modelo Prophet

In [72]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_Activos"])),columns=['ds','y'])
In [73]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.
Out[73]:
<fbprophet.forecaster.Prophet at 0x27ac5ad0d08>
In [74]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [75]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [76]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_Activos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_Activos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  234.009589809327
In [77]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [78]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x432)